可穿戴健康監(jiān)測(cè)信號(hào)由于監(jiān)測(cè)難度高、觀測(cè)噪聲大、易受干擾，高質(zhì)量的心血管信號(hào)仍難以長(zhǎng)期便捷獲取，這是智能健康監(jiān)測(cè)系統(tǒng)始終面臨的現(xiàn)實(shí)困境。近日，清華朱軍等團(tuán)隊(duì)提出了一種統(tǒng)一的多模態(tài)生成框架 UniCardio，在單擴(kuò)散模型中同時(shí)實(shí)現(xiàn)了心血管信號(hào)的去噪、插補(bǔ)與跨模態(tài)生成，為真實(shí)場(chǎng)景下的人工智能輔助醫(yī)療提供了一種新的解決思路。相關(guān)工作《Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer》于2025 年 12 月 29 日在 Nature Machine Intelligence正式上線。

心血管疾病是人類致死的主要病因之一。對(duì)個(gè)體而言，光電容積描記信號(hào)（photoplethysmography，PPG）、心電信號(hào)（electrocardiography，ECG）以及血壓信號(hào)（blood pressure，BP）能夠從不同側(cè)面反映同一底層生理過(guò)程：PPG 記錄皮下微血管容積變化，便于通過(guò)可穿戴設(shè)備進(jìn)行連續(xù)采集；ECG 反映心肌電活動(dòng)，但通常需要更嚴(yán)格的電極放置與專業(yè)標(biāo)定；動(dòng)脈 BP 則常被視為更接近臨床 “金標(biāo)準(zhǔn)” 的血壓信息來(lái)源，卻往往依賴侵入式或更高負(fù)擔(dān)的采集方式。

現(xiàn)實(shí)監(jiān)測(cè)因此呈現(xiàn)出明顯的 “兩難”：可穿戴信號(hào)獲取便捷，卻更易受到噪聲、運(yùn)動(dòng)偽影與信號(hào)中斷的影響；而高質(zhì)量或更關(guān)鍵的信號(hào)采集，則可能帶來(lái)不適、風(fēng)險(xiǎn)與成本，難以長(zhǎng)期連續(xù)部署。

過(guò)去的研究往往將這一問(wèn)題拆解為若干 “單點(diǎn)任務(wù)”：有的方法專注于信號(hào)去噪，有的方法聚焦缺失片段補(bǔ)全，即從 “低質(zhì)量” 信號(hào)重建 “高質(zhì)量” 信號(hào)。還有的方法研究信號(hào)模態(tài)轉(zhuǎn)換，即從 “易測(cè)量” 信號(hào)預(yù)測(cè) “難測(cè)量” 信號(hào)。這些方法已在各自任務(wù)上取得了進(jìn)展，但一個(gè)顯著的局限在于：多數(shù)模型仍然是任務(wù)特定、模態(tài)特定，難以在同一個(gè)模型中同時(shí)覆蓋多任務(wù)、多模態(tài)、多條件建模，也難以充分利用心血管信號(hào)之間天然存在的相關(guān)性與互補(bǔ)性。

• 論文鏈接：https://www.nature.com/articles/s42256-025-01147-y
• 代碼鏈接：https://github.com/thu-ml/UniCardio

在此背景下，清華朱軍等團(tuán)隊(duì)提出了UniCardio，旨在在一個(gè)以統(tǒng)一生成框架同時(shí)完成兩大類核心能力：其一是信號(hào)恢復(fù)（signal restoration），包括對(duì)低質(zhì)量信號(hào)的去噪以及對(duì)間斷記錄信號(hào)的缺失片段插補(bǔ)；其二是模態(tài)轉(zhuǎn)換（modality translation），即在給定某些可獲得信號(hào)的條件下，合成難以獲取或未被記錄的目標(biāo)信號(hào)，從而為真實(shí)場(chǎng)景中的心血管監(jiān)測(cè)與分析提供更完整的信號(hào)視角。

UniCardio 實(shí)現(xiàn)心血管生理信號(hào)的實(shí)時(shí)全面監(jiān)測(cè)

方法介紹

從方法角度，UniCardio 的關(guān)鍵并不在于構(gòu)建一個(gè)簡(jiǎn)單的 “點(diǎn)到點(diǎn)映射器”，而在于將多模態(tài)心血管信號(hào)視為同一生理系統(tǒng)的不同觀測(cè)，進(jìn)而學(xué)習(xí)它們之間的多模態(tài)條件分布關(guān)系。

UniCardio 采用擴(kuò)散模型 “從噪聲到數(shù)據(jù)” 的生成范式：在前向過(guò)程中，對(duì)不同模態(tài)采用統(tǒng)一的噪聲化機(jī)制；在反向過(guò)程中，在條件信息的引導(dǎo)下逐步重建目標(biāo)信號(hào)，從而在同一生成框架中覆蓋多種輸入 — 輸出配置。在此基礎(chǔ)上，UniCardio 使用 Transformer 架構(gòu)來(lái)建模時(shí)間維度與模態(tài)維度上的依賴關(guān)系。

為了同時(shí)處理多模態(tài)、多任務(wù)，UniCardio 為每個(gè)模態(tài)配置了模態(tài)專用的編碼器與解碼器，以提取和還原具有生理意義的波形特征；另一方面，在 Transformer 的注意力計(jì)算中引入任務(wù)特定注意力掩碼，用于顯式約束信息流，只允許與當(dāng)前任務(wù)相關(guān)的條件模態(tài)到目標(biāo)模態(tài)的交互，從而減少無(wú)關(guān)模態(tài)或無(wú)關(guān)方向的信息干擾，使不同任務(wù)能夠在同一網(wǎng)絡(luò)中被穩(wěn)定表達(dá)與聯(lián)合學(xué)習(xí)。

UniCardio 的多模態(tài)生成模型架構(gòu)

另一個(gè)不可回避的實(shí)際困難在于：隨著模態(tài)數(shù)量的增加，可用的條件組合會(huì)迅速增長(zhǎng)。如果在訓(xùn)練階段簡(jiǎn)單地將所有任務(wù) “混在一起學(xué)習(xí)”，往往會(huì)導(dǎo)致樣本分配不足與任務(wù)權(quán)重失衡。

針對(duì)這一問(wèn)題，UniCardio 引入了一種面向生成任務(wù)的持續(xù)學(xué)習(xí)（continual learning）范式：以 “條件模態(tài)數(shù)逐步增加” 的方式分階段納入不同任務(wù)，以分配足量的訓(xùn)練樣本和平衡不同階段任務(wù)的貢獻(xiàn)；并結(jié)合學(xué)習(xí)率調(diào)度、訓(xùn)練批次組成以及注意力掩碼的結(jié)構(gòu)性約束，以緩解持續(xù)學(xué)習(xí)的災(zāi)難性遺忘問(wèn)題。其目標(biāo)是讓一個(gè)統(tǒng)一模型在面對(duì)不斷擴(kuò)展的模態(tài)組合與任務(wù)配置時(shí)，依然能夠保持穩(wěn)健而一致的綜合能力，而不是學(xué)會(huì)新任務(wù)就忘了舊任務(wù)。

這種范式還帶來(lái)了跨任務(wù) - 模態(tài)組合的知識(shí)遷移效應(yīng)：在僅涉及較少模態(tài)的生成任務(wù)上進(jìn)行訓(xùn)練，能夠有效促進(jìn)模型在涉及更多模態(tài)、條件更復(fù)雜的生成任務(wù)中的表現(xiàn)。

UniCardio 的持續(xù)學(xué)習(xí)訓(xùn)練范式

實(shí)驗(yàn)及結(jié)果

在實(shí)驗(yàn)結(jié)果上，UniCardio 在信號(hào)去噪、插補(bǔ)與跨模態(tài)轉(zhuǎn)換等多模態(tài)、多功能任務(wù)中，相較于多種任務(wù)特定基線方法展現(xiàn)出穩(wěn)定而一致的優(yōu)勢(shì)，并系統(tǒng)性地體現(xiàn)了多模態(tài)互補(bǔ)信息的價(jià)值。

論文在多項(xiàng)代表性任務(wù)中表明：在僅使用單一條件模態(tài)時(shí)，UniCardio 已能達(dá)到或超越相應(yīng)的任務(wù)特定方法相當(dāng)。而在進(jìn)一步引入額外條件模態(tài)后，生成誤差可顯著降低，波形恢復(fù)的穩(wěn)定性也隨之提升。例如，在 PPG 與 ECG 插補(bǔ)任務(wù)中，引入多模態(tài)條件后，生成誤差下降至原來(lái)的三分之一量級(jí)；在 PPG→ECG 等跨模態(tài)生成任務(wù)中，UniCardio 在參數(shù)規(guī)模遠(yuǎn)小于部分生成基線的情況下，依然取得了更優(yōu)或更穩(wěn)健的結(jié)果。

這些現(xiàn)象表明，統(tǒng)一建模多模態(tài)條件分布本身即可帶來(lái)跨任務(wù)的知識(shí)遷移收益，而無(wú)需為每一種模態(tài)組合單獨(dú)設(shè)計(jì)模型。

UniCardio 的多模態(tài)、多功能生成結(jié)果

更進(jìn)一步，論文將生成信號(hào)直接用于下游心血管相關(guān)應(yīng)用進(jìn)行驗(yàn)證，包括異常狀態(tài)檢測(cè)與生命體征估計(jì)。

在多個(gè)未見(jiàn)域數(shù)據(jù)集上，基于 UniCardio 生成信號(hào)得到的下游任務(wù)性能，能夠顯著優(yōu)于直接使用噪聲或間斷信號(hào)，并在多數(shù)情況下接近使用真實(shí)信號(hào)的結(jié)果。例如，在心電異常檢測(cè)任務(wù)中，由 UniCardio 去噪或插補(bǔ)得到的 ECG 信號(hào)能夠有效恢復(fù)關(guān)鍵診斷信息，使檢測(cè)準(zhǔn)確率與特異性大幅提升，逼近真實(shí) ECG 信號(hào)的表現(xiàn)；在心率與血壓估計(jì)任務(wù)中，基于生成信號(hào)的預(yù)測(cè)誤差也顯著低于僅使用可穿戴信號(hào)或簡(jiǎn)單統(tǒng)計(jì)基線的情況。

這些結(jié)果表明，UniCardio 生成的信號(hào)不僅在數(shù)值上 “更像”，而且在功能層面具備直接支撐下游分析的可用性。

異常狀態(tài)檢測(cè)與生命體征估計(jì)結(jié)果

在可解釋性方面，這項(xiàng)工作也給出了相對(duì)臨床友好的論證路徑。生成結(jié)果不僅追求誤差數(shù)值的降低，還盡可能保留可被臨床專家識(shí)別的診斷特征。論文通過(guò)可視化展示多類典型 ECG 異常形態(tài)在生成信號(hào)中的復(fù)現(xiàn)情況，并結(jié)合臨床評(píng)估驗(yàn)證其診斷特征的一致性，表明生成信號(hào)在形態(tài)層面能夠與真實(shí)生理信號(hào)保持良好對(duì)齊。只有當(dāng)生成結(jié)果能夠被專家識(shí)別、理解并用于判斷，模型才有可能被謹(jǐn)慎地納入真實(shí)醫(yī)療工作流。

此外，論文還指出，擴(kuò)散模型逐步去噪的生成過(guò)程本身提供了可觀察的中間狀態(tài)，有助于人類專家理解信號(hào)的生成演化過(guò)程，從而進(jìn)一步增強(qiáng)模型的可解釋性與可信度。

典型 ECG 異常的可視化結(jié)果

總體而言，UniCardio 將心血管信號(hào)生成從以往的單任務(wù)、單模態(tài)組合，推進(jìn)到了一個(gè)更加統(tǒng)一且具備可擴(kuò)展性的框架：通過(guò)多模態(tài)擴(kuò)散 Transformer 在同一模型中覆蓋信號(hào)恢復(fù)與模態(tài)轉(zhuǎn)換，并借助持續(xù)學(xué)習(xí)機(jī)制來(lái)容納不斷增長(zhǎng)的條件組合復(fù)雜度。從應(yīng)用前景看，這類統(tǒng)一的多模態(tài)生理信號(hào)生成范式不僅有望服務(wù)于醫(yī)療健康領(lǐng)域中的穩(wěn)健監(jiān)測(cè)與輔助診斷，也可能進(jìn)一步拓展到腦科學(xué)、心理學(xué)與認(rèn)知科學(xué)等同樣依賴多源生理信號(hào)的研究場(chǎng)景。

作者介紹

清華大學(xué)的朱軍教授和王立元助理教授為本論文的共同通訊作者，陳澤華博士、苗雨陽(yáng)博士和王立元助理教授為本論文的共同第一作者，首都醫(yī)科大學(xué)附屬北京安貞醫(yī)院的范瀘韻博士和英國(guó)帝國(guó)理工學(xué)院的 Danilo P. Mandic 教授為本論文的共同作者。